本文探讨了大型语言模型（LLM）在推理任务中的表现，提出了Faithful CoT框架和Active-Prompt方法，以提高推理准确性。研究表明，链式思维提示（CoT）在复杂主观任务中的效果有限，存在后验崩溃问题，强调了获取准确推理的挑战。

本文介绍了一种新方法Active-Prompt，通过任务特定示例提示优化大型语言模型（LLMs）的推理能力。研究表明，该方法在复杂推理任务中表现优越，特别是在数学推理和逻辑推理方面。提出了相关性、数学准确性和逻辑一致性三原则，以提高生成结果的准确性。

本研究探讨了大型语言模型在问答质量和信息整合方面的潜力，发现模型在侧向思考中存在困难。通过不同提示方法评估模型表现，结果显示 ChatGPT 优于其他模型。研究提出了跨语言思维提示（XLT）和 Active-Prompt 方法，以提高多语言能力和任务适应性，显著改善推理和理解性能。

该文介绍了Active-Prompt方法，通过任务特定的示例提示来适应LLMs的不同任务，实验结果表明该方法在8项复杂推理任务中表现优异。

该文介绍了Active-Prompt方法，通过任务特定的示例提示来适应LLMs的不同任务，经验结果表明该方法在8项复杂推理任务中取得了最新成果。

该文介绍了Active-Prompt方法，通过任务特定的示例提示来适应LLMs的不同任务。经验结果表明该方法在8项复杂推理任务中取得了最新成果。

Active-Prompt是一种新方法，通过任务特定的示例提示来适应LLMs的不同任务，并通过选择最不确定的问题进行注释来确定哪些问题是最重要和有帮助的。实验结果表明该方法在八项复杂推理任务中取得了最新成果。

本文介绍了一种新的方法Active-Prompt，通过示例提示适应LLMs的不同任务，并通过选择最不确定的问题进行注释来确定最重要和有帮助的问题。该方法在八项复杂推理任务中取得了最新成果。